Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers

在将量子计算应用于机器学习任务时，首要考虑的是量子机器学习模型的设计。传统上，量子机器学习算法的设计依赖于经典学习算法的“量子化”，例如使用量子线性代数来实现经典算法的重要子程序，如果不是整个算法，寻求通过量子计算可能带来的运行时间加速来实现量子优势。然而，最近的研究开始质疑通过加速实现量子优势是否是量子机器学习的正确目标。同时，已经进行了研究，利用量子系统独特的性质，例如量子上下文性，更好地设计量子机器学习模型。在本文中，我们采用一种替代方法，将经典深度学习算法的启发式和经验证据纳入到量子神经网络的设计中。我们首先构建了一个基于数据重新上传电路的模型，其中包含了量子哈密顿数据嵌入酉矩阵。通过对图像数据集的数值实验，包括著名的MNIST和FashionMNIST数据集，我们证明了我们的模型在性能上大大优于量子卷积神经网络（QCNN）（在MNIST测试集上高达40%以上）。基于模型设计过程和数值结果，我们提出了六个设计量子机器学习模型的原则，特别是量子神经网络。

论文旨在探讨量子神经网络的设计原则，并提出一种基于数据重载电路和量子哈密顿数据嵌入酉矩阵的量子神经网络模型，以解决图像分类问题。

论文提出了六个设计量子机器学习模型的原则，并将经典深度学习算法的启发和经验应用于量子神经网络的设计。

论文的实验结果表明，作者提出的量子神经网络模型在图像分类任务上表现出色，比量子卷积神经网络（QCNN）的表现要好，尤其是在MNIST测试集上的表现提高了40%以上。作者还开源了实验代码。

最近的相关研究主要集中在利用量子计算加速经典机器学习算法，或者利用量子特性设计新的量子机器学习算法。